Einrichtung

Pakete mit pacman

• wir fangen an, das Paket pacman anstelle von install.packages() und library zu benutzen
  • die Funktion p_load() nimmt Paketnamen als Argumente
  • prüft dann, ob Sie das Paket installiert haben
    • wenn ja –> lädt das Paket (genau wie library())
    • wenn nicht –> wird das Paket installiert und dann geladen (wie mit install.packages() + library())
• dies erspart uns die individuelle Installation neuer Pakete

CSV: Comma separated value

• Es gibt viele verschiedene Dateitypen, die Daten annehmen können, z. B. .xlsx, .txt, .csv, .tsv.

• csv” ist der typischste Dateityp und steht für: Comma Separated Values.

• So sieht eine einfache CSV-Datei aus, wenn man sie als Rohtext betrachtet

Student ID,Full Name,favourite.food,mealPlan,AGE
1,Sunil Huffmann,Strawberry yoghurt,Lunch only,4
2,Barclay Lynn,French fries,Lunch only,5
3,Jayendra Lyne,N/A,Breakfast and lunch,7
4,Leon Rossini,Anchovies,Lunch only,
5,Chidiegwu Dunkel,Pizza,Breakfast and lunch,five
6,Güvenç Attila,Ice cream,Lunch only,6

• die erste Zeile (die “Kopfzeile”) enthält die Spaltennamen
• die folgenden Zeilen enthalten die Daten
• Wie viele Variablen gibt es? Wie viele Beobachtungen?

‘Tidy’ Daten

• Sie wollen, dass Ihre Daten aufgeräumt sind
  • aufgeräumte Daten sind rechteckig, und:
  • jede Spalte steht für eine Variable
  • jede Zeile eine Beobachtung
  • jede Zelle ein Datenpunkt (Abbildung 1)

Abbildung 1: Source: Wickham et al. (2023) (all rights reserved)

Tabelle zu csv

• Lassen Sie uns einige Spielzeugdaten in einer Tabellenkalkulation sammeln, die wir dann als CSV-Datei speichern und in R laden werden
  • Klicken Sie hier, um zu einem bearbeitbaren Arbeitsblatt zu gelangen.
  • Geben Sie die relevanten Informationen über sich selbst ein, oder erfinden Sie einige Daten: den Namen eines Haustiers, das Sie haben/hatten, Größe, Geburtsmonat und -tag sowie Ihre erste Sprache. Wenn Sie kein Haustier haben, lassen Sie die Zelle leer.

Abbildung 2: Klicken Sie hier zum Hinzufügen und Herunterladen der Tabelle

CSV speichern

• Speichern Sie die Tabelle als groesse_geburtstag.csv auf Ihrem Computer, direkt in einem Ordner namens daten in unserem Projektverzeichnis

Das Paket readr

• müssen wir nun die Daten einlesen

• wir müssen eine Funktion verwenden, die CSV-Daten liest, und angeben, wo sich die Daten in unserem RProject-Ordner befinden

• Das readr-Paket (Teil von tidyverse) kann die meisten Datentypen einlesen und hat mehrere Funktionen für verschiedene Datentypen

Das Paket here

• Woher weiß R genau, wo der Ordner daten zu finden ist?
• unser Arbeitsverzeichnis ist auf den Ort unseres RProjekts auf unserem Computer festgelegt
  • wann immer wir auf Daten in unserem RProjekt zugreifen wollen, sollten wir unseren Dateipfad in here() verschachteln
• um zu sehen, von wo aus here() startet, führen Sie here() aus

here()

[1] "/Users/danielapalleschi/Documents/IdSL/Teaching/WiSe2324/B.A./r4ling"

• Die Ausgabe wird auf allen Rechnern unterschiedlich aussehen, da sie relativ zu dem Ort ist, an dem wir unseren Projektordner abgelegt haben

Arbeiten mit Daten

Fehlende Werte

• Sie haben vielleicht einige NA oder N/A Werte bemerkt
  • N/A wurde als Text in einer unserer Beobachtungen geschrieben, und so liest R es als solches
  • NA in R bezieht sich auf fehlende Daten (“Nicht verfügbar”)
  • Echte fehlende Werte sind komplett leer, so dass N/A in unseren df_groesse-Daten nicht wirklich als fehlender Wert gelesen wird.
  • Um dies zu beheben, können wir das Argument na = für die Funktion read_csv() verwenden, das der Funktion read_csv() mitteilt, welche Werte sie mit fehlenden Werten gleichsetzen soll

Spaltennamen

• Ein Spaltenname in unseren Daten ist von Backticks umgeben (z.B. `Monat der Geburt)
  • Das liegt daran, dass er ein Leerzeichen enthält, das syntaktisch nicht gültig ist.
  • Eine schnelle Lösung ist die Funktion clean_names() aus dem Paket janitor, das wir bereits geladen haben

Pipes

• Pipes werden am Ende eines Funktionsaufrufs platziert, wenn das Ergebnis dieser Funktion durch eine nachfolgende Funktion weitergegeben werden soll
  • Pipes können als “und dann…” gelesen werden

read_csv(here::here("daten", "groesse_geburtstag.csv")) |>
  head()

# A tibble: 3 × 5
  Haustier Größe `Monat der Geburt`   Tag L1      
  <chr>    <dbl>              <dbl> <dbl> <chr>   
1 Lola       171                  5     7 Englisch
2 <NA>       168                 11    26 Deutsch 
3 N/A        182                  4    15 Deutsch 

Variablentypen

• die wichtigsten Spaltentypen, die man kennen sollte, sind “numerisch” und “Faktor” (kategorisch)
• Faktoren enthalten Kategorien oder Gruppen von Daten, können aber manchmal aussehen wie numerische Daten
  • Unsere Spalte “Monat” enthält zum Beispiel Zahlen, aber sie könnte auch den Namen jedes Monats enthalten
  • Es ist sinnvoll, den Mittelwert einer “numerischen” Variable zu berechnen, aber nicht den eines “Faktors”
  • Es ist zum Beispiel sinnvoll, die durchschnittliche Körpergröße zu berechnen, aber nicht den durchschnittlichen Geburtsmonat